对抗自编码器的先验学习
机器学习
2019-09-11 v1 机器学习
摘要
大多数深度隐因子模型为简单、可处理或不知使用何种先验而选择简单先验。近期研究表明，先验的选择可能对模型的表达能力有深远影响，尤其当其生成网络容量有限时。本文提出从数据中为对抗自编码器（AAEs）学习合适的先验。我们引入码生成器的概念，将人工选择的简单先验转化为能更好刻画数据分布的先验。实验结果表明，所提模型在监督与无监督设定下均能比 AAEs 生成更优图像质量并学到更好的解耦表示。最后，我们展示了其在文本到图像合成任务中执行跨域翻译的能力。
引用
@article{arxiv.1909.04443,
title = {Learning Priors for Adversarial Autoencoders},
author = {Hui-Po Wang and Wen-Hsiao Peng and Wei-Jan Ko},
journal= {arXiv preprint arXiv:1909.04443},
year = {2019}
}
备注
Accepted by APSIPA ASC, 2018